声明
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 研究内容及方法
1.4 研究中的创新
2 相关理论及技术
2.1 数据挖掘
2.1.1 数据预处理
2.1.2 数据挖掘
2.1.3 结果分析与评估
2.2 数据挖掘的功能
2.2.1 关联分析
2.2.2 分类与预测
2.2.3 聚类分析
2.2.4 离群点分析
2.3 数据挖掘的方法
2.3.1 统计方法
2.3.2 机器学习方法
2.3.3 神经网络方法
2.4 K-Means算法
2.5 本章小结
3 校园一卡通的数据预处理与聚类
3.1 主要任务
3.2 处理方法
3.2.1 数据清洗
3.2.2 数据集成
3.2.3 数据变换
3.2.4 数据规约
3.3 预处理过程
3.3.1 数据库组成
3.3.2 数据清洗
3.3.3 数据集成
3.3.4 数据变换
3.3.5 数据规约
3.4 聚类分析
3.4.1 聚类分析的要求
3.4.2 聚类分析的应用
3.4.3 聚类分析的方法
3.5 一卡通数据消费水平的聚类分析方法的选择
3.5.1 数据的选择
3.5.2 算法的选择
3.5.3 聚类算法的实现
4 校园一卡通数据与成绩的关联性分析
4.1 大学生消费行为分析
4.1.1 消费行为与消费
4.1.2 大学生消费行为研究分析
4.2 成绩数据的选择与分析
4.2.1 学生成绩的判断方法
4.2.2 学生成绩与消费行为的初步分析
4.3 关联规则算法的研究
4.3.1 关联规则与问题描述
4.3.2 关联规则的基本步骤
4.3.3 关联规则的分类
4.4 经典的关联规则算法及优化
4.4.1 Apriori算法
4.4.2 算法的核心思路
4.5 大学生消费行为与成绩的关联性
5 校园一卡通数据与成绩的关联性应用
5.1 消费行为与成绩关联性
5.2 具体应用
6 总结与展望
6.1 具体应用
6.2 未来工作展望
致谢
参考文献
